METHODE DESCPIPTIVE : ASSOCIATION

Présentation au sujet: "METHODE DESCPIPTIVE : ASSOCIATION"— Transcription de la présentation:

1 METHODE DESCPIPTIVE : ASSOCIATION
Exposé DATAMINING METHODE DESCPIPTIVE : ASSOCIATION

2 Les régles d’association :
OBJECTIF : Approche automatique pour découvrir des relations / corrélations intéressantes entre des objets. Transcrire la connaissance sous forme de règles d’association Applications: Utilisé pour analyser le panier de la ménagère Détection des fraudes Gestion des stocks

3 Tableau de transactions tableau binaire 0/1
Contenu du caddie trans-actions confiture fromage pain clt1 clt2 Lait clt3 clt4 lait formage clt5 clt6 L’analyse du panier de la Ménagère : lait confiture fromage pain 1 Clt1 Clt2 clt3 Clt4 Clt5 Clt6 Mettre en évidence les produits achetés ensemble, pour avoir une régle sous forme: Par exemple : Si pain alors lait ; Si antécédent Alors conséquent

4 Critères d’évaluation des règles d’association :
Ces règles d’association seront sous forme : (R) : Si conditions Alors resultants Si pain alors lait SUPPORT : Un indicateur de « fiabilité » de la règle , recherche des ensemble de produits fréquents, c’est le nombre de transactions d’apparition simultanée des produits le nombre d’apparition (ex. sup{pain et lait} = 2) CONFIANCE : Un indicateur de « précision » de la règle, c’est à partir des ensemble de produit fréquents, produire les règles, (Conf = sup{pain,lait} / sup( pain ) = 2/4 = 50% Bonne règle = règle avec un support et une confiance élevée SUP (condition et résultat). CONF= sup (condition et résultat) / sup (condition).

5 Extraction des règles d’association :
Paramètres : Fixer un degré d’exigence sur les règles à extraire >> Support-min. <.ex 2 transactions) >> Confiance-min < ex. 75%) l’idée est surtout de contrôler (limiter) le nombre de règles produites

6 Recheche des fréquence et production desrégles:
>> recherche des ensemble produit fréquents (support >= support min.) >> à partir des ensemble produit fréquents, produire les règles (conf. >= conf. min.), {p;f} p f conf: ¾= 0,75 (accepter) f p conf : 3/5= 0,6 ( refuser) {p;f} {p;c} {p;l} {f;c} {f;l} {c;l} Card {p,f}= 2

7 • Lift d’une règle : mesure son intérêt
LIFT : L’amélioration apportée par une règle, par rapport à une réponse au hasard est appelée « lift » et vaut (EX = conf (pain et lait) /p (lait) = 0,5/(3/6)= 1) • Quand le lift est < 1, la règle n’apporte rien. • Exemples : • lift (C ⇒ B) = 5/6 < 1(règle inutile) • lift (B ⇒ E) = 5/4 (règle utile). lift (règle) = confiance (règle) / p (résultat)

8 Cas pratique Avec le logiciel TANAGRA:
Cas d’une base de donnée d’un banque (population), Construire des règles d’association à partir d’un fichier EXCEL« individus x variables ». qui recense les caractéristiques d’un ensemble de clients ayant déposé un dossier de demande de crédits.

9 Des variables discréts
On a 9 attributte , ayant tous Des variables discréts Charger le fichier BANQUE.BDM

10 Sélectionne les attributs
Insérer le composant « Define Status» Sélectionne les attributs

11 • Le nombre d’items ayant un support supérieur à SUPPORT_MIN ;
Ces paramètres sont donné Par Défaut, et dès lors possible de lancer les calculs , et voir les resultats On glissa, le composant A PRIORI dans la filière Le nombre d’items • Le nombre d’items ayant un support supérieur à SUPPORT_MIN ; • Le nombre d’itemsets de cardinal égal à 2, 3, …

12 Les resultats sont triées par ordre
décroissant selon le LIFT Pour chaque règle, Affichera son antécédent, son conséquent, le lift, le support et la confiance associés.

13 Merci pour votre attention